Over lezyonlarında benign, borderline ve malign ayrımında manyetik rezonans görüntülemenin yeri ve MR tabanlı yapay zekâ ile karşılaştırılması
The place of magnetic resonance imaging in the discrimination of benign, borderline and malign in over lesions andcomparison with MR-based artificial intelligence
- Tez No: 791262
- Danışmanlar: DOÇ. DR. ESRA ÖZGÜL
- Tez Türü: Tıpta Uzmanlık
- Konular: Radyoloji ve Nükleer Tıp, Radiology and Nuclear Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Afyonkarahisar Sağlık Bilimleri Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Radyoloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 99
Özet
Amaç: Over kanseri kadınlarda ikinci en sık ölüme neden olan jinekolojik kanserdir. Klinik bulguları spesifik olmayıp bu durum tanıda gecikmeye neden olmaktadır. Tanıda günümüzde kullanılan en etkili noninvazif yöntem olanMR'ın özellikle borderline ve malign kitlelerinayrımında kısıtlılıkları bulunmaktadır. Bu çalışmada,over kitle görüntülerinin hem radiomics özellikleri çıkarıldı hem deESA mimarileriuygulanarak benign borderline ve malign over kitlelerini ayıran bir derin öğrenme algoritması geliştirildi. Bu çalışmanın amacı over kitlelerinin benign, borderline ve malign ayrımında rutin MR, diffüzyon MR görüntüleme sekansları ve MR tabanlı yapay zekâ uygulamalarının doğruluk oranlarının belirlenmesi ve birbiriyle karşılaştırılmasıdır. Gereç ve Yöntem: Bu çalışma tanımlayıcı kesitsel nitelikte olup 1 Nisan 2015-01 Mart 2021 tarihleri arasında üniversite hastanesinde kontrastlı alt abdomen ve diffüzyon MR çekilmiş 191 hasta ile yapıldı. Hastaların yaşları, kan sonuçları not edildi. MR bulgularından T1 ve T2 sinyal özellikleri, kontrast tutulum paternleri, kitle içi hemoraji varlığı, mural nodül ve papiller projeksiyon varlığı, diffüzyon kısıtlaması bulunup bulunmaması, ADC (x 10-3 mm2 /s) değerleri ve radyolojik ön tanıları benign borderline ve malign olarak kaydedildi. Slicer 3D programı ile aksiyel T2 sekansta kitlelerin manuel segmentasyonu yapıldı, radiomics modülü ile toplam 107 adet öznitelik çıkarıldı. Aksiyel T2 ve postkontrast T1 sekanslarda kitlelerin görüldüğü kesitlerin JPEG görüntüleri alınarak ESA modellerine (GoogleNet, ResNet18, MobileNetv2, ShuffleNet, VGG16, AlexNet ve DarkNet19) %80 eğitim, %20 test ve %90 eğitim, %10 test grubu olarak öğretildi. Geliştirilen ESA mimarilerinin tanı koymadaki başarısı değerlendirildi ve sonuçlar karşılaştırıldı. Yapay zekâ yöntemlerinde kullanılan tekniğin başarısını ölçmek için kesinlik, duyarlılık, özgüllük ve doğruluk başarı ölçütleri kullanıldı. İstatistiksel analiz için SPSS 20 programı kullanıldı ve p
Özet (Çeviri)
Objective:Ovarian cancer is the second most common cause of death in women gynecological cancers.Clinical findings are not specific and this causes delay in diagnosis.MRI, which is the most effective non-invasive method used in diagnosis today, has limitations, especially in distinguishing borderline and malignant masses. In this study, both radiomic features of ovarian mass images were extracted and a deep learning algorithm was developed by applying CNN architectures to distinguish benign borderline and malignant ovarian masses.The aim of this study is to determine and compare the accuracy rates of routine MRI, diffusion MRI sequences and MRI-based artificial intelligence applications in the differentiation of benign, borderline and malignant ovarian masses. Methods:This descriptive cross-sectional study was conducted with 191 patients who underwent contrast-enhanced lower abdomen and diffusion MR in a university hospital between April 1, 2015 and March 01, 2021.The ages and blood results of the patients were noted. Among the MRI findings, T1 and T2 signal characteristics, contrast enhancement patterns, presence of intra-mass hemorrhage, presence of mural nodules and papillary projections, presence or absence of diffusion restriction, ADC (x 10-3 mm2/s) values and radiological preliminary diagnoses were recorded as benign, borderline and malignant. With the Slicer 3D program, the masses were manually segmented in the axial T2 sequence, and a total of 107 features were extracted with the radiomics module.JPEG images of the sections in which masses were seen in axial T2 and contrast enhanced T1 sequences were taken and taught to CNN models (GoogleNet, ResNet18, MobileNetv2, ShuffleNet, VGG16, AlexNet and DarkNet19) as 80% training, 20% test and 90% training, 10% test group. The success of the developed CNN architectures in diagnosis was evaluated and the results were compared. To measure the success of the technique used in artificial intelligence methods, precision, sensitivity, specificity and accuracy success criteria were used. SPSS 20 program was used for statistical analysis and p
Benzer Tezler
- Perfüzyon MRG ve diğer MRG parametrelerinin over kitle lezyonlarının ayırıcı tanısındaki rolü
The role of perfusion MRİ and other MRİ parameters in the differential diagnosis of ovarian masses
SEFA TÜRKOĞLU
Tıpta Uzmanlık
Türkçe
2017
Radyoloji ve Nükleer TıpSüleyman Demirel ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. MUSTAFA KAYAN
- Adneksiyal kitlelerde frozen materyalleri ve parafin takip sonuçlarının karşılaştırmalı değerlendirilmesi
Comparative evaluation of frozen materials and paraffin tracking results in adnexal masses
İREM KALIPCI
Tıpta Uzmanlık
Türkçe
2018
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. CEMAL REŞAT ATALAY
- Overyan- adneksiyal lezyonların değerlendirilmesinde o-RADS MRG skorlamasının güvenilirliği
The investigation of the reliability of the o-RADS mri scoring system for the evaluation of ovarian-adnexial lesions
RAMAZAN TURHAN
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. AYŞE SELCAN KOÇ
- Meme lezyonlarında mikroakım görüntülemenin tanıya katkısı
Contribution of microflow imaging to diagnosis in breast lesions
SAKİNE SARMAN
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpTokat Gaziosmanpaşa ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. MURAT BEYHAN